Содержание к диссертации
Введение
ГЛАВА 1. Алгоритмы, методы и системы идентификации отдельных и наложенных плоских объектов 12
1.1 Понятие «плоский объект» и примеры 12
1.2 Технологические процессы, в которых требуется решение задачи распознавания отдельных и наложенных плоских объектов 12
1.3 Системы распознавания с техническим зрением
1.3.1 Актуальность использования автоматических систем распознавания на промышленных предприятиях 15
1.3.2 Обзор существующих систем распознавания
1.4 Распознавание наложенных объектов 19
1.5 Алгоритмы и методы распознавания отдельных плоских объектов
1.5.1 Методы кластеризации 23
1.5.2 Классификатор Байеса 24
1.5.3 Метод k-средних 24
1.5.4 ЕМ-алгоритм 24
1.5.5 Выбор алгоритма распознавания для технического зрения
1.6 Типы и виды используемых признаков при распознавании отдельных и наложенных плоских объектов 27
1.7 Анализ и выбор алгоритмов предварительной обработки изображений плоских объектов 29
Выводы по главе 1 34
Постановка задачи исследования 35
Глава 2. Разработка способов определения и вычисления значения кривизны в точках дискретной линии, алгоритмов распознавания отдельных плоских объектов на основе одного вида признака и их исследование 37
2.1 Выбор и обоснование значимого признака бинарных изображений отдельных и наложенных плоских объектов для их распознавания 37
2.2 Анализ существующих алгоритмов вычисления кривизны дискретных линий 39
2.3 Разработка логического способа определения значения кривизны в точках дискретной линии 44
2.4 Разработка алгоритма распознавания отдельных плоских объектов на основе логического способа определения кривизны в точках дискретной линии и его исследование
2.4.1 Алгоритм распознавания отдельных плоских объектов на основе логического способа определения кривизны (Ал-алгоритм) 47
2.4.2 Исследование Ал-алгоритма распознавания на изображениях тестовых объектов при одном эталоне на объект 49
2.4.3 Исследование Ал-алгоритма распознавания на изображениях тестовых объектов при множестве эталонов на объект
2.5 Разработка аналитического способа вычисления кривизны в точках дискретной линии 56
2.6 Сравнительный анализ алгоритмов вычисления значения кривизны в точках дискретной линии 59
2.7 Разработка алгоритма распознавания (А-алгоритм) на основе аналитического способа вычисления кривизны в точках дискретной линии и его экспериментальное исследование на изображениях тестовых объектов при одном и множестве эталонов 62 і
2.7.1 Исследование А-алгоритма распознавания на изображениях тестовых объектов при одном эталоне на объект 63
2.7.2 Исследование А-алгоритма распознавания на изображениях тестовых объектов при множестве эталонов на объект 64
2.8 Алгоритм распознавания на основе R-функции (R-алгоритм) и его исследование 66
2.8.1 R-алгоритм распознавания 66
2.8.2 Исследование R-алгоритма на изображениях тестовых объектов при одном эталоне на объект 68
2.8.3 Исследование R-алгоритма на изображениях тестовых объектов при множестве эталонов на объект 73
2.9 Экспериментальный сравнительный анализ А-алгоритма и R-алгоритма распознавания
с известными алгоритмами на изображениях тестовых объектов 74
ВЫВОДЫ по главе 2 80
Глава 3. Разработка и исследование алгоритмов распознавания двух и трех наложенных плоских объектов 82
3.1 Наложение изображений двух и трех плоских объектов 82
3.1.1 Исследование налагаемое двух плоских деталей 82
3.1.2 Исследование налагаемое трех плоских объектов 86
3.2 Алгоритм распознавания двух наложенных плоских объектов на основе их А-функции (Аг-алгоритм) 89
3.2.2 Исследование алгоритма распознавания по определению класса наложенное неизвестных сложных объектов и с использованием А-алгоритма и R-алгоритма при одном эталоне 97
3.2.3 Исследование алгоритма распознавания по определению класса наложенное неизвестных сложных объектов и с использованием А-алгоритма и R-алгоритма при множестве эталонов 99
3.2.4 Исследования алгоритма распознавания отдельных объектов в сложном на основе А-функции 102
3.2.5 Исследования алгоритма распознавания отдельных объектов в сложном на основе А-функции с использованием дополнительных признаков 104
3.3 Сравнительный анализ алгоритмов распознавания двух наложенных (сложных) тестовых объектов 107
3.4 Алгоритм распознавания трех наложенных плоских объектов (Аз-алгоритм) 110
Выводы по главе 3 111
ГЛАВА 4. Распознавание отдельных и наложенных реальных плоских объектов и построение системы распознавания 113
4.1 Структура экспериментальной системы и особенности ее отдельных блоков 113
4.1.1 Состав технических средств экспериментальной системы 113
4.1.2 Структура программного обеспечения системы
4.2 Алгоритм определения типа поля зрения 120
4.3 Модель технологического процесса распознавания реальных плоских объектов 126
4.4 Исследование Ал-алгоритма на отдельных реальных объектах 127
4.5 Исследование А-алгоритма на отдельных реальных объектах 1 4.5.1 Исследование алгоритма на отдельных реальных объектах при одном эталоне 129
4.5.2 Исследование алгоритма на отдельных реальных объектах при множестве эталонов 130
4.6 Исследование R-алгоритма на отдельных реальных объектах 131
4.6.1 Исследование алгоритма на отдельных реальных объектах при одном эталоне 131
4.6.2 Исследование алгоритма на отдельных реальных объектах при множестве эталонов 135 4.7 Исследование Аг-алгоритма и Я2-алгоритма на наложенных реальных объектах 136
4.7.1 Исследование на наложенных реальных объектах при одном эталоне 136
4.7.2 Исследование алгоритма распознавания по определению класса наложенности неизвестных сложных объектов и с использованием А-алгоритма и R-алгоритма при множестве эталонов 139
4.7.3 Исследования алгоритма распознавания отдельных объектов в сложном на основе А-функции 141
4.7.4 Исследования алгоритма распознавания отдельных объектов в сложном на основе А-функции с использованием дополнительных признаков 143
4.8 Распознавание трех наложенных реальных объектов (Аз-алгоритм) 145
Выводы по главе 4 146
Заключение 149
Список литературы
- Системы распознавания с техническим зрением
- Разработка логического способа определения значения кривизны в точках дискретной линии
- Исследование алгоритма распознавания по определению класса наложенное неизвестных сложных объектов и с использованием А-алгоритма и R-алгоритма при множестве эталонов
- Исследование на наложенных реальных объектах при одном эталоне
Введение к работе
Актуальность работы. В настоящее время перед большинством промышленных предприятий, особенно в машиностроении, встают задачи комплексной автоматизации технологических процессов и операций. К числу подобных операций можно отнести: контроль и отбраковку различных деталей и изделий по внешнему виду, загрузка обрабатывающих станков деталями с конвейеров, сортировка и ориентированная укладка в кассеты деталей и заготовок, в том числе неупорядоченно движущихся по конвейеру или поступающих в таре навалом, сборка и комплектация, электронных узлов и другие. Для автоматизации перечисленных операций создается специализированные распознающие системы (РС).
Применяемые в РС алгоритмы чаще всего используют множество признаков входных объектов и не обеспечивают требуемую скорость и надежность распознавания, как плоских, так и объемных деталей. Поэтому важным является создание для РС промышленного назначения алгоритмов, использующих минимальное количество (1-3) признаков входных объектов и отвечающих требованиям практики.
На конвейере, в бункерах, ящиках и коробках детали могут находиться как отдельно, так и в наложенном состоянии. Поэтому РС должна иметь в своем составе алгоритмы, позволяющие распознавать отдельные и наложенные детали.
Анализ состояния задачи автоматизации распознавания наложенных объектов, показал, что на практике эти объекты на входе РС располагаются отдельно вручную. Решением данной задачи занимаются некоторые исследовательские центры США и Японии. Коммерческие РС распознавания наложенных объектов еще разработчики не предлагали. В России исследования в этом направлении пока не ведутся.
Задачами обработки, анализа и распознавания изображений для решения вопросов автоматизации отдельных производственных процессов и операций занимаются школы С.В. Абламейко, В.С. Титова, Е.П. Путятина, В.С. Киричука, В.А. Сойфера, В.В. Сергеева, Я.А. Фурмана, С.С. Садыкова, А.Л. Жизнякова и других. Из иностранных ученых следует упомянуть А. Розен- фельда, Р. Гонсалеса, У. Прэтта, К. Фу, Т. Павлидиса, Р. Дуда и других.
В связи с вышеизложенным, разработка методов и алгоритмов и создание РС промышленных деталей и изделий, расположенных на ленте конвейера, в бункере и т.д. как по отдельности, так и в наложенном состоянии является актуальной задачей.
Объект исследования - система распознавания объектов, позволяющая с высокой скоростью и точностью распознать плоские детали и изделия.
Предмет исследования - алгоритмы распознавания отдельных и наложенных плоских объектов.
Целью диссертационной работы является разработка и практическое применение системы распознавания отдельных и наложенных плоских объектов.
Исходя из цели работы, поставлены следующие задачи исследования:
-
Исследование уровня автоматизации операций на открытых конвейерах и сборочных операциях, а именно - задач распознавания отдельных и наложенных плоских деталей и изделий.
-
Анализ и выбор минимального числа признаков бинарных изображений, которые позволят решить задачу распознавания как отдельных, так и наложенных плоских объектов.
-
Разработка новых способов вычисления признаков дискретных линий.
-
Разработка алгоритмов распознавания отдельных и наложенных однотипных и разнотипных плоских объектов, отличающихся высоким быстродействием и точностью
-
Экспериментальное исследование разработанных алгоритмов на тестовых объектах и определение их возможностей.
-
Экспериментальный сравнительный анализ разработанных алгоритмов распознавания отдельных и наложенных плоских объектов с известными алгоритмами.
-
Построение и практическое применение системы автоматической обработки, анализа и распознавания отдельных и наложенных плоских реальных объектов при их произвольном сочетании и положении.
Методы исследования. В работе использованы методы геометрии, тригонометрии, математической статистики, цифровой обработки изображений и распознавания образов.
Научная новизна. В результате проведенных исследований разработаны:
-
-
Способы логического определения и аналитического вычисления кривизны в точках дискретной линии;
-
Алгоритмы распознавания отдельных плоских объектов, использующие сигнатурный признак и кривизну в точках дискретного контура бинарных изображений этих объектов;
-
Алгоритмы распознавания отдельных плоских объектов в сложном объекте, образованного наложением двух или трех плоских объектов, с использованием небольшого количества локальных и структурных признаков контуров бинарных изображений отдельных объектов;
-
Алгоритм определения типа поля зрения для анализа ситуации на входе распознающей системы и выбора соответствующих алгоритмов обработки и распознавания плоских объектов.
Практическая ценность работы.
1. Проведены вычислительные эксперименты по оценке точности работы алгоритмов распознавания отдельных и наложенных тестовых и реальных плоских объектов, результаты которых позволили выявить возможности разработанных алгоритмов и определить пути уменьшения ошибки распознавания;
-
-
-
Подтверждена эффективность предложенных алгоритмов и технологии распознавания отдельных и наложенных реальных плоских объектов - промышленных деталей и изделий;
-
Разработанные алгоритмы применяются в учебном процессе кафедры информационных систем МИВлГУ в лабораторных и практических работах;
-
Полученные научные результаты используются в промышленных предприятиях;
-
По результатам исследований, проведенных автором в рамках диссертации, получены два свидетельства об официальной регистрации, на разработанные с его участием программные продукты, и два патента на полезные модели;
-
Результаты научных исследований можно использовать для создания РС различного назначения для промышленных предприятий.
Реализация результатов исследования. Разработанные алгоритмы и система распознавания отдельных и наложенных плоских объектов внедрены в производство на промышленных предприятиях ОАО ««Муромский радиозавод», а также в учебный процесс по дисциплине «Методы и системы цифровой обработки изображений», о чем свидетельствуют акты, приведенные в приложении к диссертации.
Апробация работы. Материалы диссертационной работы докладывались и обсуждались на: Международном симпозиуме «Надежность и качество» (г. Пенза, 2011г., 2012 г.); Международной конференции «Распознавание 2012» (г. Курск, 2012 г.); XVI Всероссийской НТК студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях (НИТ-2011)» (г. Рязань, 2011 г.); X Международной научно- практической конференции «Исследование, разработка и применение высоких технологий в промышленности» (г. Санкт-Петербург, 2010 г.); Всероссийской НТК «Новые материалы и технологии (НМТ-2010)» (г. Москва, 2010 г.), а также на III, IV, V Всероссийских межвузовских научных конференциях «Наука и образование в развитии промышленной, социальной и экономической сфер регионов России» (г. Муром, 2010-2013 гг.); XX Международной научной конференции студентов, аспирантов и молодых учёных «ЛОМО- НОСОВ-2013», (Москва, 2013 г.)
Публикации. Основные результаты диссертации опубликованы в 24 печатных работах, в том числе в 6 статьях в журналах из списка ВАК и одной монографии. Получены 2 патента на полезные модели и 2 свидетельства о регистрации программы для ЭВМ.
На защиту выносится:
-
-
-
-
Способы логического определения и аналитического вычисления кривизны в точках дискретной линии, использующие на каждом шаге определения и расчета кривизны всего три точки дискретного контура объекта и отличающееся простотой реализации;
-
Алгоритм распознавания отдельных плоских объектов, использующий сигнатурный признак бинарных изображений плоских объектов, обеспечивающий распознавание с вероятностью ошибки 1-10-5 при 10 эталонах на каждый распознаваемый объект;
-
Алгоритм распознавания отдельных плоских объектов, использующий как признак только кривизну в точках дискретного контура бинарных изображений плоских объектов, обеспечивающий распознавание с вероятностью ошибки 1 -10- 4 при 30 эталонах на каждый распознаваемый объект;
-
Алгоритм распознавания отдельных плоских объектов в сложном объекте, образованного наложением двух плоских объектов, использующий как признак кривизну, коэффициенты вогнутости и выпуклости контура бинарных изображений отдельных объектов, обеспечивающий распознавание
отдельных объектов с вероятностью ошибки 1 -10- 4 при 6 эталонах на каждый отдельный распознаваемый объект;
-
-
-
-
Алгоритм определения типа поля зрения распознающей системы, позволяющий анализировать ситуацию на входе РС, безошибочно устанавливать тип поля зрения и выбирать нужный путь обработки и распознавания изображений плоских объектов, что обеспечивает быстродействие и надежность системы.
-
Результаты экспериментальных исследований разработанных алгоритмов и технологической схемы распознавания плоских объектов и решения практических задач по распознаванию отдельных и наложенных реальных плоских объектов - промышленных деталей и изделий.
-
Система распознавания отдельных и наложенных плоских объектов, которая может использоваться как основа для построения РС промышленного назначения.
Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, списка литературы из 104 наименований и 5 приложений. Общий объем работы составляет 192 страницы (их них 160 страниц основного текста и 32 страницы приложений), 97 рисунков, 50 таблиц.
Системы распознавания с техническим зрением
Сортировочные конвейеры позволяют значительно увеличить производительность и рентабельность многих транспортировочных операций. Автоматическая сортировка, организованная во время движения конвейера, резко сокращает затраты ручного труда на их подготовку к упаковке, к дальнейшей транспортировке и т. д.
Особенность этих операций состоит в том, что детали транспортируются по горизонтальной ленте конвейера поштучно, партиями или сплошным потоком. Рабочий может снимать деталь с конвейера, обрабатывать ее и опять помещать на конвейер. Сложность автоматизации таких операций заключается в том, что детали транспортируются, как правило, в произвольном положении и заранее не ориентируются. Задача распознающей системы в данном случае является распознавания объектов, определение параметров положения, ориентированный захват и манипулирование [1,2].
Применение СТЗ в подобных операциях в настоящее время является очень актуальным. Они могут быть использованы для автоматизации разнообразных технологических операций, в которых требуется манипулирование деталями, перемещаемыми открытыми конвейерами (в частности, операций сортировки и контроля прессматриц в абразивном производстве, сортировки и укладки изделий в фарфорово-фаянсовом производстве, по обслуживанию кузнечно-прессовых линий, окраски кожи с экономным расходом красителей, раскроя древесины на автоматической пилораме и т.п.). Это позволит обрабатывать детали сложной формы, распознавать объекты, транспортируемые ленточными конвейерами, по незначительным отклонениям размеров и формы, манипулирование малогабаритными деталями [1,2]. Учет, контроль и отбраковка деталей и изделий
Под автоматическим контролем понимается операция загрузки деталей, установки их на контрольные позиции и разделение деталей на годные и бракованные [1,3].
Контроль автоматический применяют для измерения одного параметра и одновременной или последовательной проверки нескольких параметров одной детали.
По назначению (в зависимости от числа групп деталей после контроля) различают две группы. К первой группе относят контроль, при котором в пределах допуска выделяется только одна группа годных деталей, остальные детали (одна или две группы) - бракованные. Ко второй группе относят контроль, при котором в пределах допуска выделяют несколько групп годных деталей.
Контроль дефектов является важной технологической операцией на производстве [1, 2]. В настоящее время в промышленности ручной контроль качества все еще преобладает над автоматизированными. Главной причиной такого положения дел является сложность разработки методов автоматической обработки результатов контроля. До настоящего времени в массовых автоматизированных производствах основным способом контроля остается визуальный контроль, что приводит к значительной трудоемкости контроля изготовления изделия (21.7%), низкой (43%) достоверности контроля, снижает эффективность автоматизированных комплексов, требуя привлечения большого количество контролеров. В результате автоматизированные линии с производительностью в десятки и сотни изделий в минуту требуют большого количества контролеров, работа которых не всегда эффективна и достаточно субъективна (более 57% отбракованных ими деталей являются годными). Поскольку подобные показатели неприемлемы в современной промышленности, существует необходимость в разработке устройств и методов, автоматизирующих подобные операции [1,2]. Автоматизация операций сборки деталей
Цель автоматизации сборки - получение минимума затрат труда, заложенного в средствах автоматизации при выпуске заданного количества продукции [1,4].
Подсчеты показывают, что сборочные работы в машиностроительном производстве по трудоемкости занимают сегодня второе место (после механической обработки деталей). Доля же сборочных работ в отдельных отраслях промышленности составляет: в автомобилестроении - 20 процентов; в тракторном и сельскохозяйственном машиностроении - 22 процента; в тяжелом машиностроении - 30 процентов и в электромашиностроении - 40 процентов [1,5].
Если систематически не повышать уровень автоматизации сборочных работ, то это явится серьезным тормозом в деле комплексной автоматизации производства, особенно в машиностроении. При таком положении нарушается основной принцип комплексной автоматизации: все операции технологического процесса производства машин автоматизированы, а завершающие операции - сборка и упаковка изделий - ведутся ручным способом [1, 3].
СТЗ могут быть применены для автоматизации операций при выполнении всех видов сборочных работ. При узловой сборке их применяют: для определения параметров положения объектов и их распознавания для подачи на сборочную позицию, для контроля размеров, правильности и качества взаимного соединения и закрепления деталей, для передачи управления роботу для захвата и манипулирования, транспортировки и укладки (а если потребуется - и упаковки) собранного узла [1,5-12].
Разработка логического способа определения значения кривизны в точках дискретной линии
Задача формирования признаков достаточно сложна, поскольку процесс описания изображения до настоящего времени остается эвристическим [1, 52]. Поэтому специалистам при разработке новой системы приходится решать ее заново, ориентируясь на специфику обрабатываемых изображений и особенности предметной области. К признакам, используемым в СТЗ, предъявляются следующие требования [1, 52]: - должен существовать алгоритм расчета признаков и этот алгоритм должен быть вычислительно эффективен; - для объектов различных классов значения признаков должны отличаться сильнее, чем для объектов одного класса; - признаки должны быть инвариантны к ряду возможных искажений объекта, а именно к повороту и перемещению. - подходить для распознавания как отдельных так и наложенных объектов. В [52] приведен максимально полный набор признаков, используемых в СТЗ для распознавания объектов по их бинарным изображениям, который включает более 30 признаков (таблица 2.1).
Данные признаки могут быть использованы для распознавания отдельных объектов, однако ввиду того, что на поле зрения СТЗ объекты могут располагаться не только по отдельности, но и касаться, а во многих случаях и накладываться друг на друга, то далеко не все из перечисленных выше признаков могут быть использованы в процессе идентификации [1].
Число связных компонент + 4 Количество дыр + 5 Площадь дыр + 6 Характеристики выпуклой оболочки + 7 Характеристики описанного прямоугольника + 8 Расстояние от дырок до углов + 9 Минимальный и максимальный радиусы + 10 Диаметры Фере + 11 Моменты инерции объекта + 12 Длина проекции линии на оси + 13 Коэффициент проекции линии на оси + 14 Длина + .
Из таблицы 2.1 видно, в качестве дополнительных признаков распознавания могут быть использованы еще четыре характеристики контура, получаемые на основе расчета кривизны, такие как длины выпуклых и вогнутых участков и коэффициенты выпуклости и вогнутости.
Кривизна кривой по определению неотрицательна [67]. Однако для плоских кривых во многих случаях целесообразно кривизне отнести знак, считая ее в одних случаях отрицательной, а в других случаях положительной. Для этого используют следующее правило. Кривизна считается положительной, если вектор касательной к кривой при движении вдоль кривой поворачивается в направлении возрастания значений оси абсцисс и отрицательной в противном случае.
Определение кривизны линии в непрерывной области Важным признаком в анализе формы является кривизна, причем не только при непосредственном, но и при опосредованном ее использовании.
В непрерывной области рассчитывают среднее значение кривизны дуги [1, 65-69] как отношение угла смежности кривой к ее длине (рисунок 2.1):
Схема расчета кривизны непрерывной линии в некоторой точке функция f(x) имеет первую и вторую производную на [а, Ь]. Отсюда следует, что f\x) всюду существует и непрерывна, следовательно, кривая спрямлена и в каждой точке имеет касательную. На кривой выбирается точка Mt(x,y), которой соответствует дуга s, отсчитываемая от некоторой закрепленной точки М0(х,у) (рисунок 2.2). На рисунке 2.2 дуга s соответствует М0МХ, As - приращение. Проводятся касательные в точках М/ и М а и а + Аа соответствуют углам, образуемым касательными с положительным направлением оси X. Из рисунка 2.2 видно, что угол смежности между касательными равен Аа. Поскольку кривая задана в декартовых координатах уравнением вида y = f(x), следовательно, параметры а и s также зависят от х следующим образом: а = а(х) и s = s(x)
Принимая во внимание геометрический смысл производной у = tga следует у a = arctgy или da J dx. \ + у
С другой стороны, дифференциал дуги равен ds = jl + y 2dx. Из последних двух равенств следует, ее кривизна в некоторой точке может быть определена как производная функция наклона (угол между касательной и положительным направлением оси абсцисс) по длине дуги [72]. — = гш (2-2) ds (1 + уУ2 При обработке цифрового изображения все его точки делятся на реальные контурные точки и точки, вызванные шумом. С реальных точек начинают прослеживание [1, 58] в результате которого тем или иным методом контурные точки соединяются одна за другой в виде ломаной. Такая ломаная (дискретная кривая) может содержать разрывы и отдельно стоящие «выбитые» точки. Поэтому функцию кривизны оценивают косвенно.
Исследование алгоритма распознавания по определению класса наложенное неизвестных сложных объектов и с использованием А-алгоритма и R-алгоритма при множестве эталонов
Для каждого исходного объекта было сгенерировано по 2000 изображений произвольного расположения объекта в поле зрения АСР. Общее число проведенных испытаний составило 20000.
В качестве экзаменационного брался каждый из сгенерированных объектов, и проводилась его идентификация. Часть расчетов значений суммарных отклонений Zk] (формула 2.9) для объектов 4, 6, 9 и 10 приведена в таблице В.5.
Для всех объектов были построены графики суммарного отклонения распознаваемых объектов от эталонов. Часть графиков приведена на рисунке 2.23.
Из графиков на рисунке 2.24 видно, что при сравнении А-функций экзаменационных объектов с эталонными Аэ-функциями всех объектов, суммарные отклонения практически всегда имеют минимальное значение на собственных эталонах объектов. Результаты распознавания всех тестовых объектов приведены в таблице В.6 и на графике на рисунке 2.24. 123456789 10 Номер объекта Исходя из графика на рисунке 2.24, можно сделать вывод, что максимальная относительная ошибка распознавания отдельных тестовых объектов составляет 11,3%, что является неприемлемым для использования данного А-алгоритма на практике.
Анализ неверно распознанных объектов показывает, что большая часть неудачной идентификации приходится на похожие объекты. Правильно распознать такие объекты, используя по одному эталону на каждый объект, не представляется возможным. Решением проблемы является увеличение числа эталонов для каждого объекта до тех пор, пока алгоритм идентификации не будет обеспечивать минимальное количество ошибок при распознавании. Среднее время, затрачиваемое на распознавание одного объекта - 6,716 мс.
Экспериментальное исследование А-алгоритма идентификации отдельных объектов по их А-функциям при множестве эталонов было проведено на тестовых объектах (приведены в п. 2.4.2, рисунок 2.8).
В таблице В.7 приведены результаты распознавания тестовых объектов при разном количестве эталонов на каждый объект.
На рисунках 2.25, 2.26 приведены графики изменения качества распознавания тестовых объектов в зависимости от количества эталонов на каждый объект в системе и график изменения вероятности максимальной ошибки распознавания при изменении числа эталонов от 1 до 30.
. График зависимости времени распознавания от числа эталонов на объект Как видно из графиков на рисунках 2.25, 2.26 и экспериментальных данных из таблицы В.7 для уверенного распознавания тестовых объектов по их А-функциям (точность идентификации 100%) достаточно использования 30 эталонов на каждый объект. При этом среднее время на распознавание при 10 эталонах на каждый объект составляет 7,937 мс, при 20 - 10,376 мс, при 30 - 13,678 мс (рисунок 2.27). 2.8 Алгоритм распознавания на основе R-функции (R-алгоритм) и его исследование
В данном алгоритме в качестве признака объекта используется функция R(r;), представляющая собой множество значений расстояний {г;} от центра объекта до точек его внешнего контура [121-124]. Эту функцию назовем R-функцией, а алгоритм распознавания, основанный на этой функции как признака - R-алгоритм.
Формирование R-функции иллюстрировано на рисунке 2.28. R-функция Рисунок 2.28. Формирование R-функции объекта. Последовательность реализации R-алгоритма распознавания на тестовых объектах включает следующие шаги: 1. Выделение одноточечного безразрывного контура бинарного изображения объекта. 2. Вычисление координат центра В(Хц, yj контура изображения объекта. J т j т mi=l mj=l (2.15) где Xj, yj - текущие координаты точек контура по X и Y, соответственно; /=1, 2, ..., m\j-\, 2, ...,т;т- число точек контура объекта. 1. Вычисление расстояния г, и формирование R-функции. Значение ГІ (Евклидово расстояние) определяется по формуле: П = л](хі xn)2+ (Уі -Уц)2 (2Л6) где Хц, уп - координаты центра контура изображения; хі; у І - текущие координаты точек / по їй соответственно (/=1, 2, ..., т - номера точек контура по ходу их выбора). Формирование R-функции объекта состоит в организации массива со значениями гх (/=1, 2, 3, ..., т) в порядке их определения. Следует отметить, что при формировании R-функции, первым ее элементом будет расстояние г\ от центра до первой точки контура, найденной первой по ходу сканирования поля изображения слева-направо и сверху-вниз. 4. Формирование вариационного ряда V(г) R-функции. Объект может располагаться в поле зрения видеодатчика произвольным (случайным) образом. Поэтому R-функции одного и того же объекта сформированные в разное время, отличаются по порядку выборки элементов контура, что осложняет процесс идентификации.
Исследование на наложенных реальных объектах при одном эталоне
Анализ графиков на рисунках 3.11-3.15 показывает, что максимальный процент ошибок распознавания сложных тестовых объектов по К2-алгоритму составляет: при 4 эталонах - 5%, время на распознавание - 9,122 мс, при 10 и более эталонах - 0% (время распознавания - от 11,450 мс); по А2-алгоритму составляет: при 10 эталонах - 12%, время распознавания - 11,128 мс, при 40 эталонах - 9%, время распознавания - 13,86 мс; при 70 эталонах - 8%, время распознавания - 22,907 мс, при 150 и более эталонах - 0%, время распознавания - от 40,646 мс. Таким образом, наиболее точным и быстродействующим алгоритмом определения класса неизвестного наложенного объекта является R-2-алгоритм.
После того, как кластер определен реализуется второй шаг процесса распознавания - определение каждого объекта в наложенной. Для этого А2-функция распознаваемого объекта сравнивается с Аэ-функцией эталонов двух отдельных объектов, из которых состоит сложный объект. В результате определяются границы каждого из наложенных объектов и выделяются на контуре разным цветом.
Для проведения эксперимента для каждого из сочетаний объектов было сгенерировано по 2000 изображений наложенных объектов. Таким образом, общее количество проведенных испытаний составило 110000 для выборки из 10 объектов.
Количество эталонов для каждого сочетания исходных объектов изменялось от 10 до 100 эталонов. В качестве эталонов были выбраны наиболее часто встречающиеся варианты расположения объектов в поле зрения АСР. Порядок распознавания при множестве эталонах аналогично распознаванию при одном эталоне (п. 3.2.1). Разница заключается в том, что кластеры наложенных объектов состоят не из одного, а множества эталонов.
На рисунках 3.16, 3.17 приведены графики изменения качества распознавания тестовых объектов в зависимости от количества эталонов на каждый объект в системе и график изменения вероятности максимальной ошибки распознавания при изменении числа эталонов от 1 до 10.
Рисунок 3.18. График зависимости времени распознавания от числа эталонов на объект Анализ графиков на рисунках 3.16-3.18 показывает, что: 1. Максимальный процент ошибок распознавания тестовых объектов на основе А-функции при множестве эталонов составил: при 4 эталонах
2. Подобная нестабильность обусловлена в первую очередь тем, что значения кривизны отдельных участков объектов часто совпадают между собой. Кроме того, из-за того, что объекты являются наложенными, довольно часто большая часть одного объекта бывает закрыта другим объектом. Вследствие чего оказывается невозможным идентифицировать наложенные объекты с высоким процентом достоверности на основе единственного признака - А2-функции.
Исследования алгоритма распознавания отдельных объектов в сложном на основе А-функции с использованием дополнительных признаков
Как уже отмечалось в п. 3.2, основным признаком для распознавания двух наложенных плоских объектов являются значения кривизны в точках контура объекта. Результаты исследования (п. 3.2) показали, что А-функция объектов дает значительные ошибки распознавания сложных объектов. Для обеспечения высокого распознавания наложенных объектов были введены дополнительные признаки к А-функции объектов: длины вогнутых и выпуклых участков контура объекта и коэффициенты вогнутости и выпуклости контура (п. 2.5).
Поскольку признаки объектов представлены в разных единицах измерения, то определить расстояние между объектами не удается. В таком случае согласно статистическому анализу, данные подвергаются нормировке, которая переводит их в безразмерные величины.
Нормировка значений признаков представляет собой переход к введению новой условной единицы измерения, допускающей формальное сопоставление объектов. Наиболее распространенными способом нормирования ввиду простоты и удобства использования является следующий: х = » max где хтах- наибольшее значение признаках. Вектора-признаков каждого объекта состоят из двух частей. В общем виде они могут быть представлены следующим образом: X] 2 ... хп а] а2 ... а„ Уі Уг Уз V4 вогн вып Лвогн k"-ВЫП Исследование алгоритма распознавания с использованием дополнительных признаков на основе А-функции при множестве эталонов были проведены на тех же изображениях тестовых плоских объектов, что и при исследовании данного алгоритма распознавания при одном эталоне. Результаты всех проведенных испытаний сведены в таблицу Г.6. В ней указаны номер сочетания, количество эталонов, при котором проводилась идентификации и процент правильно распознанных объектов.
Похожие диссертации на Система распознавания отдельных и наложенных плоских объектов
-
-
-
-
-
-
-
-
-
